距今5億4千萬年前,地球經歷了所謂的「寒武紀大爆發」。此時地球上第一次有若干動物生出了眼睛,並且有效率的捕食其他「不長眼」的物種。物競天擇壓力下,原先「不長眼」的若干動物,要嘛被滅種,要嘛也演化出眼睛。

幾年前,豐田汽車研究中心的執行長吉拉.普瑞(Gilla Pratt),便以「寒武紀大爆發」來比擬數位時代迸現的數據,對企業與社會可能造成的衝擊。沿用這寒武紀的比喻,那麼數位轉型的重中之重,自然是累積企業的數據能耐,讓企業順著合理化的進路,也「長眼」,並避免被其他已經「長眼」的企業所吞噬。

多年來,環繞著數據發展的各種可能,常常見到「事實夾雜神話」的現象。如果無法分辨什麼是事實、什麼是神話,企業數位轉型的企圖便事倍功半。

經營者若勘不破各種故事中屬於「神話」的部分,在數位轉型的修煉過程中,便自然會因為對各種流傳的錯誤信仰與不當期待,而多走許多冤枉路,甚至誤了正事。

舉「尿片和啤酒」的故事為例:有家大賣場透過分析顧客的購物數據,發現顧客的購買紀錄中,嬰兒尿片與啤酒一塊兒結帳的機率,遠高於一般商品間的關聯。推敲之下,理解到原來有不少新手父母,因為家中有寶寶需要照顧,夜間沒法再去酒吧流連,只能買了啤酒和尿片待在家中,邊看電視邊喝酒解悶,等著隨時幫寶寶換尿片。賣場經理人得知這樣的洞見後,就把啤酒和尿片擺在同一區賣,業績因此顯著提升。

聽來很不錯的故事,流傳既久且廣,到底哪兒是神話了?前面這故事大抵由三部分組成:(一)數據分析發現啤酒與尿片在銷售上有高度相關性,(二)理解到前述發現的真正原因,(三)運用這樣的發現而將兩類產品放在一起賣,從而提升銷售業績。

這三個環環相扣的部分中,(一)可能是事實,(二)看來似乎也是對這事實合理詮釋的「顧客洞見」。但到這停下來稍微想想,便會察覺(三)沒道理——如果真有這樣的需求,邊喝酒邊等著換尿片的新手父母,進了賣場,即便啤酒和尿片各自放在天南與地北,也會推著車把它們揀齊;商品擺不擺在一起,應該沒太大差別。

而對於其他顧客,無論是家裡沒嬰兒因此沒有尿片需求,或者家裡有嬰兒卻不喝酒,無論如何把啤酒與尿片放在一起賣,應該也不會發生什麼刺激同時消費這兩類商品的效果。所以說,這「啤酒與尿片」的故事,很可能是個事實與神話交織在一塊兒的故事。

數據蒐集、分析與應用,來自不斷實驗。組織須容許這些實驗必然會面臨失敗,要相當長時間才可能試出一條自己的路。

企業「長了眼」就能變現?

數據分析替企業「長眼」,「長眼」自然是有價值的;但這價值的實現,不會像前述「啤酒與尿片」的故事中第(三)部分般直截了當。如果「長了眼」,得到啤酒與尿片有關聯這樣的洞見,接下來的「變現」之道,應該是回到經營顧客「正規作戰」的邏輯:藉由相關洞見,發掘出一個過往沒意識到的客群,與這客群的生活形態。

賣場大可在辨識出這群顧客後,在他們同時有著尿片與啤酒需求的兩、三年間,藉由對他們更深入、全面的理解,以及由之觸發的創意,透過有意義的價值創造(例如介紹對這群人而言有用但未必意識到的各種商品和服務)及溝通(例如客製DM乃至「新手家長俱樂部」等經營),深耕這個客群。之後,甚至可以從數據上推斷出哪個顧客的寶寶,已經脫離使用尿片的階段了,那麼便可將顧客歸屬到下一個孩童家長階段的客群,接著就家中有兒童的家長需求,進行完全不同的價值遞送和溝通。

談到這裡,數據分析到底有沒有「用」?當然有。能不能幫忙賺錢?當然能。但是數據分析的意義與用途,不可能像「把啤酒和尿片放在一起賣就能賺大錢」這類神話般那麼直接,而必須讓數據結合經營的經驗與創意,透過不斷深耕客群而修成正果。

經營者如果迷信數據相關的各種神話,花了大資源放煙火,那麼煙硝味退散之後,仍是空無一物的暗夜。

人工智慧(AI)適用的情境,簡單來說就是有一定「解法」或「練法」。這包括:(一)規則明確,有標準答案的情境;(二)規則有限且明確,雖然沒有標準答案,但可以「越練越聰明」的情境。

例如在棋盤規則固定的西洋棋領域中,Alpha Go可以靠著大量的左右手互搏學習,到最後在下棋這件事上達到無人能比的精到、甚至「越練越聰明」。另外,傳統上美國定期動用龐大的人力與物力,定期執行戶口普查,現已有一群學者透過深度學習算法,藉由機器辨識來自Google街景相片中,屋外、街邊所停放的汽車種類、品牌、型號與數量,來推算各地的人口數目、人口結構。

數據分析是一種不斷循環的歷程:取得洞見→形成行動假設→根據假設試作↓根據試作結果取得數據。

AI再強也難取代人類經驗

而在商業世界,人工智慧最合適扮演的,也是與前述兩種情境相關環節的自動化。譬如針對既有的大量歷史數據,AI可以協助廣告投放的優化,可以幫忙提升顧客溝通電子郵件的回應率——這些都是範圍有限、有明確可量化目標、可以「練」的環節。

對這些相對封閉的系統內可練項目,AI可以有非常亮眼的表現。舉例而言,哈佛大學醫學院和以色列的一個醫療研究中心合作,完成了一項有趣的實驗。在一項病理學家與AI的「競賽中」,AI判讀乳癌的準確率達到92%,病理學家則有96%。如果結合兩者,那麼判讀準確率就可提高到99.5%。

重點是,在「練」的過程中,同時需要大量、密集、持續的人力投入,一方面調校系統,一方面透過「人的智慧」從數據中提取洞見,並且控制人工智慧黑盒子時或發生的嚴重錯誤。而這樣的人力,珍貴之處在於掌握了行業智慧,具備複雜的「內隱知識」。尤其到了怎麼「練」也難練出個頭緒的「開放系統」情境中,人類經驗累積成的、難以言說的「內隱知識」,便難在可預見的未來被人工智慧所取代。

「開放系統」指缺乏規則性、變數複雜且基本上無法預先掌握的特定情境。譬如金融市場,或者需要滿足形形色色需求的顧客服務。1980年代,研究者發現一個有趣的現象,稱作莫拉維克悖論(Moravec's Paradox)。冠名此一悖論的莫拉維克是這樣詮釋的:「要讓電腦如成人般下棋,是相對容易的。但要讓電腦達到一歲小孩程度的感知和行動能力,卻困難到幾乎可說是不可能。」

小檔案_書名:數位轉型全攻略

作者:黃俊堯
出版社:商業周刊
出版日期:2019年8月22日

黃俊堯
倫敦商學院博士、台大工商管理學系暨商學研究所教授。研究及教學聚焦於企業數位發展與轉型、數位環境中的顧客經營。歷年累積的顧問諮詢經驗,涵蓋零售、金融、科技、網路等產業。針對數位時代的市場趨勢,著有《看懂,然後知輕重》、《明天的遊戲規則》等。